Data-driven Roughness Estimation for Glaze Ice Accretion Simulation
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">In-flight ice accretion on aircraft is a major weather-related threat. Industries use both experimental investigations in icing conditions and ice accretion solvers based on computational fluid dynamics (CFD) for aircraft development. An ice accretion solver couples airflow over the geometry, water droplets impingement, and phase change to compute the ice accretion. Such a solver usually relies on a two-equation model: a mass balance and an energy balance. Past studies highlighted the importance of the roughness-sensitive convective heat loss for energy balance. Uncertainties persist in the CFD models given the complexity of the ice accretion phenomenon, which usually mixes solid ice with liquid runback water (glaze ice). A major uncertainty is related to the surface roughness pattern, which is difficult to measure in experiments. The calibration of the roughness pattern for a CFD test case was seldom investigated in literature. Among the available calibration tools, the Bayesian calibration constitutes a powerful data-driven approach suitable for roughness pattern estimation. The objective of the paper is to set up a methodology for the roughness pattern calibration on an airfoil in glaze ice conditions. Specifically, this methodology determines the roughness pattern needed to minimize the root mean square error between the numerical and experimental accretions. First, an ice accretion solver implemented in SU2 CFD generates a roughness-sensitive ice shape database. Second, a Polynomial Chaos Expansion (PCE) metamodel replaces the database. Finally, a Bayesian inversion is performed on the metamodel to determine the roughness pattern producing a realistic ice shape. The fidelity of an ice shape prediction is measured with a root mean square (RMS) error on the iced portion of the airfoil. Such methodology produces promising results, giving an accretion with a RMS error of less than 0.4% of the chord length compared to the experimental accretion thickness.</div></div>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».